Estudiantes:
Curso: Fundamento de R para CCSS y Gestión Pública 2023
Diplomatura: Especialización en Ciencia de Datos para las Ciencia Sociales y la Gestión Pública
La teoría de la tensión sostiene que la criminalidad surge de la frustración que experimentan las personas cuando no pueden lograr los fines culturales que la sociedad les impone, debido a la falta de medios institucionales legítimos para hacerlo (Merton, 1938). Así, las personas que se ven imposibilitadas de alcanzar el “objetivo de riqueza” que la sociedad valora, recurren a medios ilícitos para obtenerlo (1938, p. 679), lo que implica que la estructura social influye en la elección de las personas de cometer delitos. (Featherstone, 2003) y que la desigualdad de oportunidades incide en la exclusión de las personas de la sociedad y se convierte en un factor que propicia el crimen (Cheong & Wu, 2015, p. 203).
En tal sentido, el Pacto Internacional de Derechos Civiles y Políticos y la Convención Americana de Derechos Humanos señalan que la finalidad esencial de las penas es la reforma y readaptación social de las personas dentro del centro penitenciario (Orosco, 2017). Siendo ello así, el periodo de reclusión debe ser utilizado para asegurar el retorno a la comunidad (Oficina de las Naciones Unidas contra la Droga y el Delito, 2013); es decir, la recuperación o reinserción social, una vez habiendo logrado reeducarse y rehabilitarse (Magán, 2017).
Diversos autores señalan que el hacinamiento en el establecimiento penitenciario afecta en la eficiencia de la búsqueda de la reinserción social de los internos (Oficina de las Naciones Unidas contra la Droga y el Delito, 2013 & Orosco, 2017). Esto se debe a que en dicho entorno se encuentran expuestos a una serie de riesgos, como el abuso de sustancias ilegales y los altercados por disputas del espacio (Peñaloza, 2017); asimismo, ocasiona problemas psicológicos y emocionales ante la ausencia de espacios privados (Defensoría del Pueblo, 2018) y también se ve reducida la cantidad de espacios destinados al trabajo en talleres y actividades educativas (Magán, 2017).
Según el Censo Nacional de Población Penitenciaria 2016, desarrollado por el Instituto Nacional de Estadística e Informática – INEI y el Instituto Nacional Penitenciario – INPE, los centros penitenciarios del Perú se encuentran operando alrededor del 120% de su capacidad (Defensoría del Pueblo, 2018 & Peñaloza, 2017). Es por ello que, diversos autores cuestionan la capacidad de los Centros Penitencias en el Perú para albergar la cantidad de internos e internas que alojan, las condiciones de vida que existen dentro, así como de su funcionamiento como espacios de recuperación social de los reclusos.
En el año 2016, el Instituto Nacional de Estadística e Informática – INEI y el Instituto Nacional Penitenciario – INPE, desarrollaron el Censo Nacional de Población Penitenciaria, con el objetivo de obtener información estadística sobre la población penitenciaria adulta, que sirva para elaborar políticas públicas de prevención del delito orientadas a la reeducación, rehabilitación y reincorporación del interno a la sociedad. Sin embargo, cabe indicar que el presente año se discute en el Congreso de la República la generación de condiciones para la realización de un nuevo Censo Nacional de Población Penitenciaria en el año 2024; dado que ven por conveniente contar con información actualizada.
La reintegración a la sociedad de los internos se ve afectada por una serie de desafíos sociales, económicos y personales; tales como la familia, los compañeros, el abuso de sustancias o adicción, el nivel de educación o destreza, la marginación social, el abuso físico o emocional, el padecer de alguna discapacidad física, mental o problema de salud, el haber tenido un estilo de vida delictivo que inició a temprana edad (Oficina de las Naciones Unidas contra la Droga y el Delito, 2013). Es así que el interno puede verse envuelto en un ciclo de reincidencia delictiva ante la imposibilidad de reinsertarse en la sociedad. Al respecto, Hernández (2018) identifica dos tipos de factores de riesgo de reincidencia delictiva: i) factores imposibles de cambiar (historia delictiva, estructura familiar o conductas antisociales ocurridas a temprana edad) y ii) los maleables (malas influencias, consumo de sustancias, etc).
Es por ello que, en un contexto de posible reincidencia delictiva, los cambios en las circunstancias familiares y de trabajo son factores claves para el desistimiento de cometer delitos (Oficina de las Naciones Unidas contra la Droga y el Delito, 2013). Un análisis realizado por Peñaloza (2017) sobre los factores asociados a las trayectorias exitosas de reinserción social identifica que el uso edificante del tiempo durante la fase de confinamiento, y un capital social que provea soporte emocional y opere como mecanismo de control social, permite superar las barreras al mercado laboral y asegurar la satisfacción de necesidades básicas.
En ese contexto, el presente trabajo persigue el objetivo de describir las principales características relacionadas a las condiciones sociodemográficas previas en las que el interno vivía cuando cometía crímenes, las condiciones en las que conviven los internos de los Centros Penitenciarios en el Perú y las expectativas del interno al salir del Centro Penitenciario, a partir de la revisión al Censo Nacional de Población Penitenciaria 2016, realizado por el INEI e INPE.
Para dicho fin se han optado por observar las variables asociadas a los siguientes aspectos en tres etapas de la vida del interno(a):
Antecedentes y aspectos sociodemográficos previos al encarcelamiento
Condiciones sociales y familiares del interno(a)
Información sobre el contexto delictivo del interno(a)
Durante el encarcelamiento
Información general del Centro Penitenciario
Información general del interno(a)
Contexto del delito
Condiciones de vida y convivencia del interno(a) dentro del Centro Penitenciario
Después del encarcelamiento
El estudio busca realizar un análisis descriptivo de la población penitenciaria en Perú con datos registrado en el censo del año 2016 obtenidos a partir de los microdatos del INEI. Para ello, se seleccionaron un grupo de variables que busca proporcionar una visión amplia de las características de la población en tres momentos cruciales: antes, durante y después de su reclusión. Para ello, se utilizaron los datos del censo penitenciario del año 2016, como se mencionó. El objetivo de este es recopilar información estadística de la población penitenciaria de personas adultas. Este censo se ejecutó en 66 establecimientos penitenciarios a nivel nacional, abarcando aproximadamente 77,500 internos. La cobertura geográfica incluye 24 departamentos del país y la Provincia Constitucional del Callao.
El censo se divide en varios capítulos: - Capítulo 100: Condiciones Sociales y familiares del Interno - Capítulo 200: Tipificación del Delito - Capítulo 300: Condiciones de Vida en el Establecimiento Penitenciario - Capítulo 400: Rol de las Instituciones.
Estos capítulos abordan aspectos específicos de la población penitenciaria, desde condiciones sociales y familiares hasta la tipificación del delito, condiciones de vida en el establecimiento penitenciario y el papel de las instituciones en el proceso de rehabilitación.
Estos capítulos abordan aspectos específicos de la población penitenciaria, desde condiciones sociales y familiares hasta la tipificación del delito, condiciones de vida en el establecimiento penitenciario y el papel de las instituciones en el proceso de rehabilitación.
Antes de la reclusión:
Durante la reclusión:
Después de la reclusión:
Se integraron las bases de cada capítulo en un solo dataframe.
library(tidyverse) #conjunto de paquetes
library("labelled") #Paquete para ver las etiquetas de las variables
#
#
# #Creando las bases de datos
# df1 <- haven::read_sav("01. Data/CARATULA/01_PENALES_CARATULA.sav")
# df2 <- haven::read_sav("01. Data/CONDICIONES DE VIDA DEL INTERNO/01_PENALES_CAP300.sav")
# df3 <- haven::read_sav("01. Data/CONDICIONES DEL INTERNO/01_PENALES_CAP100.sav")
# df4 <- haven::read_sav("01. Data/ROL DE LAS INSTITUCIONES/01_PENALES_CAP400.sav")
# df5 <- haven::read_sav("01. Data/TIPIFICACION DEL DELITO/01_PENALES_CAP200.sav")
#
# #Integrando las bases de datos
#
# df_1_2 <- inner_join(df1, df2, by = "ID_CARATULA", "INTERNO_ID")
# df_1_2_3 <- inner_join(df_1_2, df3, by = "ID_CARATULA", "INTERNO_ID")
# df_1_2_3_4 <- inner_join(df_1_2_3, df4, by = "ID_CARATULA", "INTERNO_ID")
# df_total <- inner_join(df_1_2_3_4, df5, by = "ID_CARATULA", "INTERNO_ID")
Se seleccionaron las variables de interés y se exportó en formato sav.
# Seleccionar las variables de Interés
# CNPP_data <- df_total |>
# select(EST_PENIT, GENERO, E_CIVIL, TSALUD_8,
# EDAD, NACIONALIDAD, NAC_DD, DELITO_GENERICO, DELITO_ESPECIFICO, P101, P104_1,
# P105, P107_1, P107C_1, P107_2, P107_3, P107_4, P107_5,
# P107_6, P107_7, P107_8, P107_9, P107_10, P107_11, P107_12,
# P109_1, P109_2, P109_3, P114, P133, P135, P201_DD, P204, P215, P220,
# P303, P306, P308, P313_1, P313_2, P313_3, P313_4, P313_5,
# P314, P315, P403_1, P403_2, P403_3, P403_4, P403_5, P403_6,
# P403_7)
# Guardar el dataframe en formato sav
# library(haven)
#
# write_sav(CNPP_data, "CNPP_data.sav")
Se observan las variables de interés y la identificación de posibles valores atípicos.
# Importar datos
CNPP_data <- haven::read_sav("CNPP_data.sav")
CNPP_data
# Presentar el contenido de las variables de interés
var_label(CNPP_data)
## $EST_PENIT
## [1] "7. NOMBRE DEL ESTABLECIMIENTO PENITENCIARIO (E.P.)"
##
## $GENERO
## [1] "12. SEXO"
##
## $E_CIVIL
## [1] "13. ESTADO CIVIL"
##
## $TSALUD_8
## [1] "17. TIPO DE SEGURO DE SALUD_8. No tiene seguro de salud"
##
## $EDAD
## [1] "18. EDAD"
##
## $NACIONALIDAD
## [1] "20. NACIONALIDAD"
##
## $NAC_DD
## [1] "22. LUGAR DE NAC._A. DEPARTAMENTO"
##
## $DELITO_GENERICO
## [1] "DELITO GENÉRICO"
##
## $DELITO_ESPECIFICO
## [1] "DELITO ESPECÍFICO"
##
## $P101
## [1] "101. EL IDIOMA O LENGUA MATERNA QUE USTED APRENDIÓ EN SU NIÑEZ FUE:"
##
## $P104_1
## [1] "104. ANTES DE INGRESAR AL E.P., ¿CUÁL FUE EL ÚLTIMO AÑO O GRADO DE ESTUDIOS Y NIVEL QUE APROBÓ?_NIVEL DE ESTUDIOS"
##
## $P105
## [1] "105. ¿CUÁL FUE LA RAZÓN PRINCIPAL POR LA QUE USTED NO ESTUDIÓ O NO TERMINÓ DE ESTUDIAR EN EL COLEGIO?"
##
## $P107_1
## [1] "107_1. ¿PADECE UD. DE: ENFERMEDADES CRÓNICAS_Enfermedad pulmonar crónica tal como asma, bronquitis o enfisema?"
##
## $P107C_1
## [1] "107C_1. ¿ACTUALMENTE RECIBE UD. TRATAMIENTO MÉDICO (MEDICINA, TERAPIA, ETC)?"
##
## $P107_2
## [1] "107_2. ¿PADECE UD. DE: ENFERMEDADES CRÓNICAS_Hipertensión, es decir, presión alta?"
##
## $P107_3
## [1] "107_3. ¿PADECE UD. DE: ENFERMEDADES CRÓNICAS_Diabetes, es decir, niveles altos de azúcar en la sangre?"
##
## $P107_4
## [1] "107_4. ¿PADECE UD. DE: ENFERMEDADES INFECTO CONTAGIOSAS_Tuberculosis?"
##
## $P107_5
## [1] "107_5. ¿PADECE UD. DE: ENFERMEDADES INFECTO CONTAGIOSAS_Infecciones de Transmisión Sexual?"
##
## $P107_6
## [1] "107_6. ¿PADECE UD. DE: ENFERMEDADES INFECTO CONTAGIOSAS_VIH/SIDA?"
##
## $P107_7
## [1] "107_7. ¿PADECE UD. DE: OTRAS ENFERMEDADES_Hepatitis?"
##
## $P107_8
## [1] "107_8. ¿PADECE UD. DE: OTRAS ENFERMEDADES_Depresión?"
##
## $P107_9
## [1] "107_9. ¿PADECE UD. DE: OTRAS ENFERMEDADES_Ansiedad?"
##
## $P107_10
## [1] "107_10. ¿PADECE UD. DE: OTRAS ENFERMEDADES_Adicción a sustancias psicoactivas?"
##
## $P107_11
## [1] "107_11. ¿PADECE UD. DE: OTRAS ENFERMEDADES_Cáncer?"
##
## $P107_12
## [1] "107_12. ¿PADECE UD. DE: OTRAS ENFERMEDADES_Otro?"
##
## $P109_1
## [1] "109_1. ¿ANTES DE INGRESAR AL E.P. USTED CONSUMÍA: Drogas?"
##
## $P109_2
## [1] "109_2. ¿ANTES DE INGRESAR AL E.P. USTED CONSUMÍA: Bebidas alcohólicas?"
##
## $P109_3
## [1] "109_3. ¿ANTES DE INGRESAR AL E.P. USTED CONSUMÍA: Cigarrillos?"
##
## $P114
## [1] "114. ANTES DE INGRESAR AL ESTABLECIMIENTO PENITENCIARIO, ¿USTED TRABAJÓ ALGUNA VEZ?"
##
## $P133
## [1] "133. ¿ALGÚN MIEMBRO DE SU FAMILIA ESTUVO PRESO EN UN ESTABLECIMIENTO PENITENCIARIO ALGUNA VEZ?"
##
## $P135
## [1] "135. ANTES DE CUMPLIR LOS 18 AÑOS DE EDAD. ¿ALGUN(OS) DE SU(S) MEJOR(ES) AMIGO(S) COMETÍA(N) DELITOS?"
##
## $P201_DD
## [1] "201. DEPARTAMENTO EN EL QUE OCURRIO EL DELITO"
##
## $P204
## [1] "204. CUANDO OCURRIÓ EL DELITO, ¿USTED USÓ ALGÚN ARMA?"
##
## $P215
## [1] "215. ¿USTED ESTUVO INTERNADO(A) EN ALGÚN CENTRO JUVENIL?"
##
## $P220
## [1] "220. SIN TOMAR EN CUENTA LA SENTENCIA QUE ACTUALMENTE CUMPLE: ¿EN ALGUNA OTRA OCASIÓN LO HABÍAN SENTENCIADO O PROCESADO A PENA EFECTIVA POR ALGÚN OTRO DELITO?"
##
## $P303
## [1] "303. ¿USTED ESTÁ ESTUDIANDO EN ALGÚN PROGRAMA EN EL ESTABLECIMIENTO PENITENCIARIO?"
##
## $P306
## [1] "306. ¿POR QUÉ PARTICIPA EN LOS TALLERES LABORALES?"
##
## $P308
## [1] "308. ¿CUÁL ES LA RAZÓN POR LA QUE USTED NO PARTICIPA EN PROGRAMAS EDUCATIVOS?"
##
## $P313_1
## [1] "313_1. ¿EN CUÁLES DE LAS SIGUEINTES ACTIVIDADES UD HA PARTICIPADO DURANTE EL ÚLTIMO MES: Actividades deportivas?"
##
## $P313_2
## [1] "313_2. ¿EN CUÁLES DE LAS SIGUEINTES ACTIVIDADES UD HA PARTICIPADO DURANTE EL ÚLTIMO MES: Actividades laborales reconocidas por el INPE?"
##
## $P313_3
## [1] "313_3. ¿EN CUÁLES DE LAS SIGUEINTES ACTIVIDADES UD HA PARTICIPADO DURANTE EL ÚLTIMO MES: Labores de limpieza o mantenimiento de la institución?"
##
## $P313_4
## [1] "313_4. ¿EN CUÁLES DE LAS SIGUEINTES ACTIVIDADES UD HA PARTICIPADO DURANTE EL ÚLTIMO MES: Programa de tratamiento PIM?"
##
## $P313_5
## [1] "313_5. ¿EN CUÁLES DE LAS SIGUEINTES ACTIVIDADES UD HA PARTICIPADO DURANTE EL ÚLTIMO MES: Otros"
##
## $P314
## [1] "314. ¿POR QUÉ USTED NO REALIZA NINGUNA ACTIVIDAD DENTRO DE LA INSTITUCIÓN?"
##
## $P315
## [1] "315. EN LOS ÚLTIMOS TRES MESES, ¿CON QUÉ FRECUENCIA LO VISITÓ SU FAMILIA?"
##
## $P403_1
## [1] "403_1 ¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Estudiar"
##
## $P403_2
## [1] "403_2 ¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Trabajar"
##
## $P403_3
## [1] "403_3 ¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Viajar"
##
## $P403_4
## [1] "403_4 ¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Retornar a mi país"
##
## $P403_5
## [1] "403_5 ¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Otros"
##
## $P403_6
## [1] "403_6 ¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Regresar con mi familia"
##
## $P403_7
## [1] "403_7 ¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Reincorporarme a la sociedad"
# Identificación de valores atípicos y datos perdidos
summary(CNPP_data)
## EST_PENIT GENERO E_CIVIL TSALUD_8
## Length:75963 Min. :1.00 Min. :1.000 Min. :0.0000
## Class :character 1st Qu.:1.00 1st Qu.:1.000 1st Qu.:0.0000
## Mode :character Median :1.00 Median :3.000 Median :0.0000
## Mean :1.06 Mean :3.525 Mean :0.4438
## 3rd Qu.:1.00 3rd Qu.:6.000 3rd Qu.:1.0000
## Max. :2.00 Max. :6.000 Max. :1.0000
##
## EDAD NACIONALIDAD NAC_DD DELITO_GENERICO
## Min. :18.00 Length:75963 Length:75963 Length:75963
## 1st Qu.:27.00 Class :character Class :character Class :character
## Median :34.00 Mode :character Mode :character Mode :character
## Mean :36.04
## 3rd Qu.:43.00
## Max. :89.00
##
## DELITO_ESPECIFICO P101 P104_1 P105
## Length:75963 Min. : 1.000 Min. : 1.000 Min. : 1.000
## Class :character 1st Qu.: 7.000 1st Qu.: 4.000 1st Qu.: 3.000
## Mode :character Median : 7.000 Median : 5.000 Median : 3.000
## Mean : 6.396 Mean : 5.183 Mean : 4.063
## 3rd Qu.: 7.000 3rd Qu.: 6.000 3rd Qu.: 4.000
## Max. :10.000 Max. :11.000 Max. :12.000
## NA's :1833 NA's :31323
## P107_1 P107C_1 P107_2 P107_3 P107_4
## Min. :1.000 Min. :1.00 Min. :1.000 Min. :1.00 Min. :1.000
## 1st Qu.:2.000 1st Qu.:1.00 1st Qu.:2.000 1st Qu.:2.00 1st Qu.:2.000
## Median :2.000 Median :2.00 Median :2.000 Median :2.00 Median :2.000
## Mean :1.919 Mean :1.52 Mean :1.935 Mean :1.98 Mean :1.962
## 3rd Qu.:2.000 3rd Qu.:2.00 3rd Qu.:2.000 3rd Qu.:2.00 3rd Qu.:2.000
## Max. :3.000 Max. :2.00 Max. :3.000 Max. :3.00 Max. :3.000
## NA's :71303
## P107_5 P107_6 P107_7 P107_8 P107_9
## Min. :1.000 Min. :1 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000
## Median :2.000 Median :2 Median :2.000 Median :2.000 Median :2.000
## Mean :1.995 Mean :2 Mean :1.996 Mean :1.908 Mean :1.918
## 3rd Qu.:2.000 3rd Qu.:2 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :3.000 Max. :3 Max. :3.000 Max. :3.000 Max. :3.000
##
## P107_10 P107_11 P107_12 P109_1
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:2.000
## Median :2.000 Median :2.000 Median :2.000 Median :2.000
## Mean :1.977 Mean :2.005 Mean :1.923 Mean :1.758
## 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :3.000 Max. :3.000 Max. :3.000 Max. :3.000
##
## P109_2 P109_3 P114 P133
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000
## Median :1.000 Median :2.000 Median :1.000 Median :2.000
## Mean :1.327 Mean :1.672 Mean :1.044 Mean :1.712
## 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:1.000 3rd Qu.:2.000
## Max. :3.000 Max. :3.000 Max. :2.000 Max. :3.000
##
## P135 P201_DD P204 P215
## Min. :1.000 Length:75963 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 Class :character 1st Qu.:2.000 1st Qu.:2.000
## Median :2.000 Mode :character Median :2.000 Median :2.000
## Mean :1.671 Mean :1.829 Mean :1.931
## 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :3.000 Max. :3.000 Max. :3.000
## NA's :70 NA's :70
## P220 P303 P306 P308
## Min. :1.000 Min. :1.000 Min. :1.00 Min. : 1.000
## 1st Qu.:2.000 1st Qu.:1.000 1st Qu.:1.00 1st Qu.: 3.000
## Median :2.000 Median :2.000 Median :1.00 Median : 3.000
## Mean :1.842 Mean :1.743 Mean :1.56 Mean : 3.708
## 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.00 3rd Qu.: 4.000
## Max. :3.000 Max. :2.000 Max. :4.00 Max. :10.000
## NA's :16632 NA's :82 NA's :62491 NA's :19581
## P313_1 P313_2 P313_3 P313_4
## Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000
## Median :1.000 Median :2.000 Median :1.000 Median :2.000
## Mean :1.354 Mean :1.525 Mean :1.306 Mean :1.606
## 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :3.000 Max. :3.000 Max. :3.000 Max. :3.000
## NA's :82 NA's :82 NA's :82 NA's :82
## P313_5 P314 P315 P403_1
## Min. :1.000 Min. : 1.00 Min. : 1.000 Min. :0.0000
## 1st Qu.:2.000 1st Qu.: 4.00 1st Qu.: 3.000 1st Qu.:0.0000
## Median :2.000 Median : 7.00 Median : 5.000 Median :0.0000
## Mean :2.003 Mean : 6.29 Mean : 4.838 Mean :0.1344
## 3rd Qu.:2.000 3rd Qu.: 8.00 3rd Qu.: 6.000 3rd Qu.:0.0000
## Max. :3.000 Max. :10.00 Max. :10.000 Max. :1.0000
## NA's :82 NA's :70061 NA's :82 NA's :133
## P403_2 P403_3 P403_4 P403_5
## Min. :0.0000 Min. :0.00000 Min. :0.00000 Min. :0.00000
## 1st Qu.:1.0000 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.00000
## Median :1.0000 Median :0.00000 Median :0.00000 Median :0.00000
## Mean :0.9286 Mean :0.04893 Mean :0.01386 Mean :0.01917
## 3rd Qu.:1.0000 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.00000
## Max. :1.0000 Max. :1.00000 Max. :1.00000 Max. :1.00000
## NA's :133 NA's :133 NA's :133 NA's :133
## P403_6 P403_7
## Min. :1 Min. :1
## 1st Qu.:1 1st Qu.:1
## Median :1 Median :1
## Mean :1 Mean :1
## 3rd Qu.:1 3rd Qu.:1
## Max. :1 Max. :1
## NA's :72270 NA's :75201
En el marco de la presente investigación, se emplearon varios paquetes para facilitar la manipulación, limpieza y procesamiento de los datos. Inicialmente, se hizo uso del conjunto de paquetes “tidyverse”, que incorpora herramientas como “dplyr” para transformar datos, “tidyr” para reorganizarlos y “ggplot2” para su visualización efectiva. El paquete “labelled” desempeñó el papel para la manipulación de datos etiquetados, permitiendo asignar, recuperar y gestionar etiquetas en las variables.
Con el propósito de gestionar el formato específico de los datos de la Población Penitenciaria, originalmente en SPSS (.sav), se implementó el paquete “haven” para la importación y exportación eficiente de datos. Además, “plotly” se utilizó para la creación de gráficos interactivos, mientras que “mapsPERU” facilitó la representación cartográfica con datos específicos de Perú, posibilitando la elaboración de mapas temáticos.
La mejora de la legibilidad en los gráficos fue abordada mediante el uso de “ggrepel”, evitando superposiciones de etiquetas. En el ámbito de mapas interactivos, los paquetes “leaflet” y “leaflet.extras” posibilitaron la interacción con capas, marcadores y controles, mientras que “rworldxtra” proporcionó datos geográficos detallados a nivel mundial.
Adicionalmente, se integraron los paquetes “raster” y “sf” para manipular imágenes y realizar análisis espaciales en R. Este enfoque multidisciplinario con diversos paquetes contribuyó para realizar un análisis completo de los datos recopilados en el censo del año 2016.
Población Penitenciaria segun departamento y género
df1 <- CNPP_data |>
group_by(NAC_DD,GENERO)|>
summarise(cantidad=n())|>
mutate(GENERO=case_when(GENERO==1~"HOMBRE",
TRUE~"MUJER"))
print(df1)
## # A tibble: 53 × 3
## # Groups: NAC_DD [27]
## NAC_DD GENERO cantidad
## <chr> <chr> <int>
## 1 "" HOMBRE 1586
## 2 "" MUJER 247
## 3 "AMAZONAS" HOMBRE 974
## 4 "AMAZONAS" MUJER 45
## 5 "ANCASH" HOMBRE 2867
## 6 "ANCASH" MUJER 143
## 7 "APURIMAC" HOMBRE 1037
## 8 "APURIMAC" MUJER 63
## 9 "AREQUIPA" HOMBRE 1675
## 10 "AREQUIPA" MUJER 111
## # ℹ 43 more rows
Para una mejor visualizacion de la data, la columna modificaciones la columna genero, 1 al valor de hombre y 2 al valor de mujer.
ggplot(df1, aes(x = NAC_DD, y = cantidad, fill = GENERO)) +
geom_bar(stat = "identity", position = "dodge", width = 1) +
labs(x = "Provincia", y = "Cantidad", title = "Cantidad de personas por provincia y género")+
coord_cartesian(ylim = c(0, max(df1$cantidad) * 1.2)) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
En este grafico de barras podemos apreciar que Lima es la ciudad de origen de todos los reos tanto hombres como mujeres; seguido por Huanuco, La Libertad y Piura.
CANTIDAD DE PERSONAS DE DIFERENTES NACIONALIDADES, RESUMEN DE TODAS LAS NACIONALIDADES
CNPP_data|>
select(NACIONALIDAD)|>
count(NACIONALIDAD)|>
rename("NRO_DE_REOS"=n)|>
arrange(desc(NRO_DE_REOS))
Tabla simple que muestra la cantidad de reos por nacionalidad, vemos que por debajo de la Peruana estan las nacionalidades, Colombiana,Español y Mexicano.
Distribución de las edades de los reos penitenciarios
library(ggplot2)
CNPP_data|>
select(EDAD,GENERO,P104_1,NAC_DD)|>
rename("NIVEL_EDUCATIVO"=P104_1,"LUGAR_DE_NACIMIENTO"=NAC_DD)|>
count(EDAD)|>
rename("TOTAL_DE_PERSONAS"=n)|>
ggplot()+
aes(x = EDAD, y = TOTAL_DE_PERSONAS)+
geom_line() +
labs(x = "Edad", y = "Cantidad de reos", title = "Distribución de Edades") +
theme_minimal()
Tenemos un diagrama de lineas simple que en el pico es aprox los 28 años, llegando a los 3 mil reos con esa edad, seguidos por los 22 años y 32 años. Son las 3 edades que tienen la mayor cantidad de reos.
Lugar de Nacimiento - Departamento
library(dplyr)
CNPP_data_NAC <- CNPP_data %>%
filter(!is.na(NAC_DD) & NAC_DD != "") #Filtrando para omitir blanco y nulos
tabla_departamentos <- table(CNPP_data_NAC$NAC_DD) #Se crea la tabla de frecunencia
df_frecuencias <- as.data.frame(tabla_departamentos)
colnames(df_frecuencias) <- c("Departamento", "Frecuencia")
df_DEP_NAC <- df_frecuencias %>%
arrange(desc(Frecuencia))
print(df_DEP_NAC)
## Departamento Frecuencia
## 1 LIMA 20512
## 2 LA LIBERTAD 5183
## 3 HUANUCO 4483
## 4 PIURA 3947
## 5 CAJAMARCA 3557
## 6 AYACUCHO 3449
## 7 LAMBAYEQUE 3190
## 8 ANCASH 3010
## 9 CALLAO 2968
## 10 JUNIN 2912
## 11 CUSCO 2766
## 12 ICA 2732
## 13 SAN MARTIN 2188
## 14 PUNO 2018
## 15 LORETO 1842
## 16 AREQUIPA 1786
## 17 UCAYALI 1744
## 18 HUANCAVELICA 1281
## 19 APURIMAC 1100
## 20 AMAZONAS 1019
## 21 PASCO 749
## 22 TUMBES 631
## 23 TACNA 459
## 24 MADRE DE DIOS 330
## 25 MOQUEGUA 273
## 26 NEP 1
La tabla muestra que las personas que tienden a ser recluidas en un centro penitenciario pertenecen al departamento de Lima. Seguido de La Libertad, luego continúa Huánuco con alrededor de 4 mil personas. Cabe resaltar que el departamento de Lima muestra alrededor de cuatro veces la población del siguiente departamento.
IDIOMA ESPECÍFICO APRENDIDO EN SU NIÑEZ
idioma_var <- unique(CNPP_data$P101)
print(idioma_var)
## <labelled<double>[10]>: 101. EL IDIOMA O LENGUA MATERNA QUE USTED APRENDIÓ EN SU NIÑEZ FUE:
## [1] 7 8 1 5 9 2 3 10 4 6
##
## Labels:
## value label
## 1 Quechua?
## 2 Aymara?
## 3 Ashaninka?
## 4 Awajún/Aguaruna?
## 5 Shipibo-Konibo?
## 6 Otra lengua nativa?
## 7 Castellano?
## 8 Inglés?
## 9 Otra lengua extranjera?
## 10 Es sordomudo/a o mudo/a
# Creando la vriable que muestre los datos del idioma
CNPP_data <- CNPP_data %>%
mutate(P101 = as.character(P101))
CNPP_data <- CNPP_data %>%
mutate(P101_label = case_when(
P101 == "1" ~ "Quechua",
P101 == "2" ~ "Aymara",
P101 == "3" ~ "Ashaninka",
P101 == "4" ~ "Awajún/Aguaruna",
P101 == "5" ~ "Shipibo-Konibo",
P101 == "6" ~ "Otra lengua nativa",
P101 == "7" ~ "Castellano",
P101 == "8" ~ "Inglés",
P101 == "9" ~ "Otra lengua extranjera",
P101 == "10" ~ "Es sordomudo/a o mudo/a",
TRUE ~ "Desconocido"
))
idioma_var1 <- unique(CNPP_data$P101_label)
print(idioma_var1)
## [1] "Castellano" "Inglés"
## [3] "Quechua" "Shipibo-Konibo"
## [5] "Otra lengua extranjera" "Aymara"
## [7] "Ashaninka" "Es sordomudo/a o mudo/a"
## [9] "Awajún/Aguaruna" "Otra lengua nativa"
#Se crea la tabla que muestra la frecuencia del primer idioma aprendido
IDIOMA_FIL <- CNPP_data %>%
filter(!is.na(P101_label))
IDIOMA <- table(IDIOMA_FIL$P101_label)
IDIOMA_df <- as.data.frame(IDIOMA)
colnames(IDIOMA_df) <- c("Valor", "Frecuencia")
IDIOMA_df <- IDIOMA_df %>%
arrange(desc(Frecuencia))
print(IDIOMA_df)
## Valor Frecuencia
## 1 Castellano 67188
## 2 Quechua 7096
## 3 Aymara 770
## 4 Otra lengua extranjera 442
## 5 Inglés 237
## 6 Ashaninka 101
## 7 Otra lengua nativa 62
## 8 Awajún/Aguaruna 31
## 9 Shipibo-Konibo 25
## 10 Es sordomudo/a o mudo/a 11
Se encuentra que el Castellano es el idioma más hablado, como era de esperarse. Son los idiomas Quecha y Aymara, el segundo y tercer idioma más hablado, respectivamente.
ÚLTIMO GRADO EDUCATIVO ALCANZADO ANTES DE SER RECLUIDO
educ_var <- unique(CNPP_data$P104_1)
print(educ_var)
## <labelled<double>[12]>: 104. ANTES DE INGRESAR AL E.P., ¿CUÁL FUE EL ÚLTIMO AÑO O GRADO DE ESTUDIOS Y NIVEL QUE APROBÓ?_NIVEL DE ESTUDIOS
## [1] 5 3 10 6 NA 4 8 7 9 1 2 11
##
## Labels:
## value label
## 1 Sin nivel
## 2 Educación inicial
## 3 Primaria incompleta
## 4 Primaria completa
## 5 Secundaria incompleta
## 6 Secundaria completa
## 7 Superior no universitaria incompleta
## 8 Superior no universitaria completa
## 9 Superior universitaria incompleta
## 10 Superior universitaria completa
## 11 Postgrado
# Creando la vriable que muestre las categorías de la variable educación
CNPP_data <- CNPP_data %>%
mutate(P104_1 = as.character(P104_1))
CNPP_data <- CNPP_data %>%
mutate(P104_1_label = case_when(
P104_1 == "2" ~ "Educación inicial",
P104_1 == "3" ~ "Primaria incompleta",
P104_1 == "4" ~ "Primaria completa",
P104_1 == "5" ~ "Secundaria incompleta",
P104_1 == "6" ~ "Secundaria completa",
P104_1 == "7" ~ "Superior no universitaria incompleta",
P104_1 == "8" ~ "Superior no universitaria completa",
P104_1 == "9" ~ "Superior universitaria incompleta",
P104_1 == "10" ~ "Superior universitaria completa",
TRUE ~ NA_character_
))
educ_var1 <- unique(CNPP_data$P104_1_label)
print(educ_var1)
## [1] "Secundaria incompleta"
## [2] "Primaria incompleta"
## [3] "Superior universitaria completa"
## [4] "Secundaria completa"
## [5] NA
## [6] "Primaria completa"
## [7] "Superior no universitaria completa"
## [8] "Superior no universitaria incompleta"
## [9] "Superior universitaria incompleta"
## [10] "Educación inicial"
EDUC <- CNPP_data %>%
filter(!is.na(P104_1_label))
# Crear un gráfico de barras para la variable P104_1_label
ggplot(EDUC, aes(x = P104_1_label)) +
geom_bar(aes(y = ..count..), fill = "pink", color = "black", stat = "count") +
geom_text(aes(label = ..count..), stat = "count", vjust = -0.5) +
labs(title = "Distribución de Niveles de Educación",
x = "Nivel de Educación",
y = "Frecuencia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 20, hjust = 1))
## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
* Se crea el gráfico que brinda mayor detalle acerca del nivel de
educación. En este sentido, se encuentra que las categoría secundaria
completa e incompleta son en las que mayormente se localizan los
convictos.
#####P105
MOTIVO POR EL CÚAL NO CULMINÓ SUS ESTUDIOS
educ_105 <- unique(CNPP_data$P105)
print(educ_105)
## <labelled<double>[13]>: 105. ¿CUÁL FUE LA RAZÓN PRINCIPAL POR LA QUE USTED NO ESTUDIÓ O NO TERMINÓ DE ESTUDIAR EN EL COLEGIO?
## [1] 8 1 NA 3 10 4 2 12 9 7 5 11 6
##
## Labels:
## value label
## 1 La familia no le permitió
## 2 La familia es/era muy pobre
## 3 Tenía necesidad económica
## 4 No le gustaba estudiar
## 5 Lo expulsaron
## 6 Por haber ingresado a prisión
## 7 Tenía que cuidar a mis hermanos(as)
## 8 Mi pareja me lo impidió
## 9 Otra
## 10 No sabe / No contesta
## 11 Problemas de Salud
## 12 Problemas familiares
# Creando la vriable que muestre las categorías de la variable educación
CNPP_data <- CNPP_data %>%
mutate(P105 = as.character(P105))
CNPP_data <- CNPP_data %>%
mutate(P105_label = case_when(
P104_1 == "1" ~ "La familia no le permitió",
P104_1 == "2" ~ "La familia es/era muy pobre",
P104_1 == "3" ~ "Tenía necesidad económica",
P104_1 == "4" ~ "No le gustaba estudiar",
P104_1 == "5" ~ "Lo expulsaron",
P104_1 == "6" ~ "Por haber ingresado a prisión",
P104_1 == "7" ~ " Tenía que cuidar a mis hermanos(as)",
P104_1 == "8" ~ "Mi pareja me lo impidió",
TRUE ~ NA_character_
))
razon_var1 <- unique(CNPP_data$P105_label)
print(razon_var1)
## [1] "Lo expulsaron"
## [2] "Tenía necesidad económica"
## [3] NA
## [4] "Por haber ingresado a prisión"
## [5] "No le gustaba estudiar"
## [6] "Mi pareja me lo impidió"
## [7] "\tTenía que cuidar a mis hermanos(as)"
## [8] "La familia no le permitió"
## [9] "La familia es/era muy pobre"
RAZON <- CNPP_data %>%
filter(!is.na(P105_label))
# Crear un gráfico de barras para la variable P105_label
ggplot(RAZON, aes(x = P105_label)) +
geom_bar(aes(y = ..count..), fill = "lightgreen", color = "black", stat = "count") +
geom_text(aes(label = ..count..), stat = "count", vjust = -0.5) +
labs(title = "Distribución de Razones por las que dejó de estudiar",
x = "Razón por la que dejo de estudiar",
y = "Frecuencia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 55, hjust = 1))
* Se encuentra que las razones principales por las que no culminaron sus
estudios es porque los expulsaron, por haber ingresado a prisión y por
necesidad económica.
¿ANTES DE INGRESAR AL E.P. USTED CONSUMÍA: Drogas? ¿ANTES DE INGRESAR AL E.P. USTED CONSUMÍA: Bebidas alcohólicas? ¿ANTES DE INGRESAR AL E.P. USTED CONSUMÍA: Cigarrillos?
# Se crea una nueva variable, denominada "consumo"; cuyos valor es "Sí" cuando el reo consumía drogas, bebidas alcohólicas o cigarillos antes de ingresar al centro penitenciario.
CNPP_data <- CNPP_data |>
mutate(consumo = case_when(P109_1 == 1 & (P109_2 == 2 | P109_2 == 3) & (P109_3 == 2 | P109_3 == 3) ~ "DROGAS", (P109_1 == 2 | P109_1 == 3) & P109_2 == 1 & (P109_3 == 2 | P109_3 == 3) ~ "BEBIDAS ALCOHOLICAS", (P109_1 == 2 | P109_1 == 3) & (P109_2 == 2 | P109_2 == 3) & P109_3 == 1 ~ "CIGARRILLOS", P109_1 == 1 & P109_2 == 1 & (P109_3 == 2 | P109_3 == 3) ~ "DROGAS Y BEBIDAS ALCOHOLICAS", P109_1 == 1 & (P109_2 == 2 | P109_2 == 3) & P109_3 == 1 ~ "DROGAS Y CIGARRILLOS", (P109_1 == 2 | P109_1 == 3) & P109_2 == 1 & P109_3 == 1 ~ "BEBIDAS ALCOHOLICAS Y CIGARRILLOS", P109_1 == 1 & P109_2 == 1 & P109_3 == 1 ~ "DROGAS, BEBIDAS ALCOHOLICAS Y CIGARRILLOS", TRUE ~ "NO/NO CONTESTA"))
# Utilizando 'count' y 'mutate' hallamos la cantidad de reos que consumían drogas, bebidas alcohólicas o cigarillos antes de ingresar al centro penitenciario, así como el porcentaje que representan respecto del total.
CNPP_data |>
count(consumo) |>
mutate(Porcentaje_consumo = round(n/sum(n)*100,1)) |>
print(n = Inf) |>
arrange(desc(n))
## # A tibble: 8 × 3
## consumo n Porcentaje_consumo
## <chr> <int> <dbl>
## 1 BEBIDAS ALCOHOLICAS 23476 30.9
## 2 BEBIDAS ALCOHOLICAS Y CIGARRILLOS 13450 17.7
## 3 CIGARRILLOS 2279 3
## 4 DROGAS 3053 4
## 5 DROGAS Y BEBIDAS ALCOHOLICAS 6130 8.1
## 6 DROGAS Y CIGARRILLOS 1255 1.7
## 7 DROGAS, BEBIDAS ALCOHOLICAS Y CIGARRILLOS 8203 10.8
## 8 NO/NO CONTESTA 18117 23.8
# A partir de la variable obtenida ('consumo'), se presenta a continuación un gráfico de barras que permitirá observar la cantidad de reos que consumían drogas, bebidas alcohólicas o cigarillos antes de ingresar al centro penitenciario.
etiqueta_1 <- c(`1`="Sí",
`2`="No",
`3`="No sabe/No contesta")
CNPP_data|>
mutate(consumo = recode_factor(consumo,!!!etiqueta_1)) |>
count(consumo) |>
ggplot() +
aes(x=1, y=n, fill=consumo) +
geom_col(position = "dodge", width = 0.8) +
geom_text(aes(label = n),
position = position_dodge(width = 0.8), vjust = -0.5, size = 3, fontface = "bold") +
theme_minimal() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: CONSUMO ANTES DE INGRESAR AL ESTABLECIMIENTO \nPENITENCIARIO",
subtitle = "(Frecuencia, porcentaje)",
x = "Consumo",
y = "Frecuencia")+
theme(axis.text.x = element_blank())
Como puede observarse, un gran número de reos señala que consumían bebidas alcohólicas antes de ingresar al establecimiento penitenciario. En segundo lugar, 18,117 reos mencionan que no consumían ninguna de las opciones previamente mencionadas o prefirieron no contestar a la interrogante.
Luego de ello, podemos observar que lo siguen en cantidad los reos que consumían “Bebidas alcohólicas y cigarrillos”, “Drogas, bebidas alcohólicas y cigarrilllos” y “Drogas y bebidas alcohólicas”; al respecto, puede observarse que las bebidas alcohólicas tienen una fuerte presencia en el consumo de los reos, desde antes de ingresar al establecimiento penitenciario.
ANTES DE INGRESAR AL ESTABLECIMIENTO PENITENCIARIO, ¿USTED TRABAJÓ ALGUNA VEZ?
# Utilizando 'count' y 'mutate' hallamos la cantidad de reos que trabajaron alguna vez antes de ingresar al establecimiento penitenciario, así como el porcentaje que representan respecto del total.
CNPP_data |>
count(P114) |>
mutate(Porcentaje_trabajo_antes = round(n/sum(n)*100,1)) |>
print(n = Inf) |>
arrange(desc(n)) |>
rename("cantidad_reos"=n)
## # A tibble: 2 × 3
## P114 n Porcentaje_trabajo_antes
## <dbl+lbl> <int> <dbl>
## 1 1 [Sí] 72610 95.6
## 2 2 [No] 3353 4.4
# A partir de ello, se presenta a continuación un gráfico circular que permitirá observar la cantidad de reos que trabajaron o no alguna vez antes de ingresar al establecimiento penitenciario.
table(CNPP_data$P114)
##
## 1 2
## 72610 3353
etiqueta_1 <- c(`1`="Sí",
`2`="No",
`3`="No sabe/No contesta")
CNPP_data |>
mutate(P114 = recode_factor(P114,!!!etiqueta_1)) |>
count(P114) |>
mutate(
Porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=Porcentaje, fill=P114) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5), size=3, fontface = "bold") +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE TRABAJÓ ANTES \nINGRESAR AL ESTABLECIMIENTO PENITENCIARIO",
subtitle = "(Frecuencia, porcentaje)")
Como puede observarse, el 95.6% de los reos sí trabajó alguna vez antes de ingresar al establecimiento penitenciario.
¿ALGÚN MIEMBRO DE SU FAMILIA ESTUVO PRESO EN UN ESTABLECIMIENTO PENITENCIARIO ALGUNA VEZ?
# Utilizando 'count' y 'mutate' hallamos la cantidad de reos que tuvieron a algún miembro de su familia preso en un establecimiento penitenciario, así como el porcentaje que representan respecto del total.
CNPP_data |>
count(P133) |>
mutate(Porcentaje_trabajo_antes = round(n/sum(n)*100,1)) |>
print(n = Inf) |>
arrange(desc(n)) |>
rename("cantidad_reos"=n)
## # A tibble: 3 × 3
## P133 n Porcentaje_trabajo_antes
## <dbl+lbl> <int> <dbl>
## 1 1 [Sí] 22442 29.5
## 2 2 [No] 52924 69.7
## 3 3 [No recuerda / No contesta] 597 0.8
# A partir de ello, se presenta a continuación un gráfico circular que permitirá observar la cantidad de reos que tuvieron a algún miembro de su familia preso en un establecimiento penitenciario.
table(CNPP_data$P133)
##
## 1 2 3
## 22442 52924 597
etiqueta_1 <- c(`1`="Sí",
`2`="No",
`3`="No recuerda/No contesta")
CNPP_data |>
mutate(P133 = recode_factor(P133,!!!etiqueta_1)) |>
count(P133) |>
mutate(
Porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=Porcentaje, fill=P133) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5), size=3, fontface = "bold") +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: ¿ALGÚN MIEMBRO DE LA FAMILIA DEL REO PENITENCIARIO \nESTUVO PRESO EN UN ESTABLECIMIENTO PENITENCIARIO \nALGUNA VEZ?",
subtitle = "(Frecuencia, porcentaje)")
Como puede observarse, el 69.7% de los reos no tuvo a algún miembro de su familia preso en un establecimiento penitenciario; mientras que un 29.5% afirma que sí lo tuvo.
ANTES DE CUMPLIR LOS 18 AÑOS DE EDAD. ¿ALGUN(OS) DE SU(S) MEJOR(ES) AMIGO(S) COMETÍA(N) DELITOS?
# Utilizando 'count' y 'mutate' hallamos la cantidad de reos que, antes de cumplir los 18 años de edad, tuvieron algún mejor amigo que cometía delitos, así como el porcentaje que representan respecto del total.
CNPP_data |>
count(P135) |>
mutate(Porcentaje_trabajo_antes = round(n/sum(n)*100,1)) |>
print(n = Inf) |>
arrange(desc(n)) |>
rename("cantidad_reos"=n)
## # A tibble: 3 × 3
## P135 n Porcentaje_trabajo_antes
## <dbl+lbl> <int> <dbl>
## 1 1 [SÍ] 25794 34
## 2 2 [No] 49370 65
## 3 3 [No recuerda / No contesta] 799 1.1
# A partir de ello, se presenta a continuación un gráfico circular que permitirá observar la cantidad de reos que, antes de cumplir los 18 años de edad, tuvieron algún mejor amigo que cometía delitoso.
table(CNPP_data$P135)
##
## 1 2 3
## 25794 49370 799
etiqueta_1 <- c(`1`="Sí",
`2`="No",
`3`="No recuerda/No contesta")
CNPP_data |>
mutate(P135 = recode_factor(P135,!!!etiqueta_1)) |>
count(P135) |>
mutate(
Porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=Porcentaje, fill=P135) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5), size=3, fontface = "bold") +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: ANTES DE QUE EL REO PENITENCIARIO CUMPLA \n18 AÑOS, ¿ALGUNO DE SUS MEJORES AMIGOS COMETÍAN \nDELITOS?",
subtitle = "(Frecuencia, porcentaje)")
Como puede observarse, el 65% de los reos señala que, antes de cumplir los 18 años de edad, no tuvieron algún mejor amigo que cometiera delitos; mientras que un 34% señala que sí lo tuvo.
¿USTED ESTUVO INTERNADO(A) EN ALGÚN CENTRO JUVENIL?
table(CNPP_data$P215, useNA = "alw")
##
## 1 2 3 <NA>
## 5750 69651 492 70
etiqueta_1 <- c(`1`="Sí",
`2`="No",
`3`="No sabe/No contesta")
CNPP_data$P215 <- as.factor(CNPP_data$P215)
CNPP_data |>
filter(!is.na(P215)) |>
mutate(P215 = recode_factor(P215,!!!etiqueta_1)) |>
count(P215) |>
mutate(
Porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=Porcentaje, fill=P215) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5)) +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE ESTUVO \nINTERNADO(A) EN ALGÚN CENTRO JUVENIL",
subtitle = "(Frecuencia, porcentaje)"
)
El 91.8% de la población penitenciaria no estuvo internado en algún centro juvenil.
SIN TOMAR EN CUENTA LA SENTENCIA QUE ACTUALMENTE CUMPLE: ¿EN ALGUNA OTRA OCASIÓN LO HABÍAN SENTENCIADO O PROCESADO A PENA EFECTIVA POR ALGÚN OTRO DELITO?
table(CNPP_data$P220, useNA = "alw")
##
## 1 2 3 <NA>
## 9833 49037 461 16632
etiqueta_1 <- c(`1`="Sí",
`2`="No",
`3`="No sabe/No contesta")
CNPP_data$P220 <- as.factor(CNPP_data$P220)
CNPP_data |>
filter(!is.na(P220)) |>
mutate(P220 = recode_factor(P220,!!!etiqueta_1)) |>
count(P220) |>
mutate(
Porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=Porcentaje, fill=P220) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5)) +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE ESTUVO \nANTERIORMENTE SENTENCIADO O PROCESADO A PENA \nEFECTIVA POR ALGÚN OTRO DELITO",
subtitle = "(Frecuencia, porcentaje)"
)
El 16.6% de la población penitenciaria estuvo anteriormente sentenciado o procesado a pena efectiva por algún otro delito.
Además, la siguiente tabla muestra el establecimiento penitenciario a las que pertenecen los reos reincidentes.
table(CNPP_data$EST_PENIT, CNPP_data$P220)
##
## 1 2 3
## E.P. Anexo de Mujeres Chorrillos 19 123 2
## E.P. Camana 22 183 0
## E.P. de Abancay 14 156 1
## E.P. de Ancon 549 765 10
## E.P. de Andahuaylas 24 261 2
## E.P. de Arequipa 320 1354 5
## E.P. de Ayacucho 203 1689 7
## E.P. de Bagua Grande 25 134 0
## E.P. de Cajamarca 173 937 19
## E.P. de Cañete 236 1530 22
## E.P. de Cerro Pasco 3 128 1
## E.P. de Chachapoyas 88 458 1
## E.P. de Challapalca 36 91 0
## E.P. de Chanchamayo 29 346 2
## E.P. de Chiclayo 425 2354 30
## E.P. de Chimbote 374 1530 22
## E.P. de Chincha 186 972 10
## E.P. de Chota 5 87 0
## E.P. de Cusco 172 1739 18
## E.P. de Huacho 544 987 4
## E.P. de Huancavelica 9 163 1
## E.P. de Huancayo 197 1560 5
## E.P. de Huanta 4 37 1
## E.P. de Huanuco 166 1782 10
## E.P. de Huaral 1114 1865 29
## E.P. de Huaraz 90 757 4
## E.P. de Ica 577 2797 24
## E.P. de Iquitos 65 690 1
## E.P. de Jaen 19 260 0
## E.P. de Jauja 6 63 1
## E.P. de Juanjui 30 435 4
## E.P. de la Oroya 5 81 0
## E.P. de Lampa 3 79 0
## E.P. de Lurigancho 1199 5579 54
## E.P. de Moyobamba 48 463 0
## E.P. de Pacasmayo 0 10 0
## E.P. de Pto. Maldonado 55 478 2
## E.P. de Pucallpa 198 1288 7
## E.P. de Puno 68 355 2
## E.P. de San Ignacio 2 51 0
## E.P. de Sananguillo 108 415 2
## E.P. de Satipo 5 51 0
## E.P. de Sullana 16 58 0
## E.P. de Tacna 72 508 5
## E.P. de Tarapoto 21 282 4
## E.P. de Tarma 6 64 0
## E.P. de Trujillo 472 2991 41
## E.P. de Tumbes 70 649 3
## E.P. de Yurimaguas 4 115 2
## E.P. del Callao 372 1950 20
## E.P. Juliaca 92 703 4
## E.P. Miguel Castro Castro 656 1938 42
## E.P. Modelo Ancon II - S.M.V.C. 69 1183 9
## E.P. Mujeres de Arequipa 12 115 0
## E.P. Mujeres de Chorrillos 80 458 3
## E.P. Mujeres de Concepción 7 17 0
## E.P. Mujeres de Iquitos 5 39 0
## E.P. Mujeres de Tacna 13 64 0
## E.P. Mujeres de Trujillo 10 157 0
## E.P. Mujeres del cusco 9 93 0
## E.P. Piura 397 2141 22
## E.P. Quillabamba 16 191 1
## E.P. Virgen de Fatima 17 223 1
## E.P. Virgen de la Merced 1 11 0
## Otros 1 4 1
Se puede observar que el establecimiento penitenciario donde se encuentra la mayoría de reos reincidentes (opción 1) están en el E.P. de Lurigancho (1199 reos).
Delitos genéricos
delitos_var <- unique(CNPP_data$DELITO_GENERICO)
print(delitos_var)
## [1] "DELITOS CONTRA LA LIBERTAD"
## [2] "DELITOS CONTRA LA SEGURIDAD PUBLICA"
## [3] "DELITOS CONTRA EL PATRIMONIO"
## [4] "LAVADO DE ACTIVOS"
## [5] "DELITOS CONTRA LA ADMINISTRACION PUBLICA"
## [6] "DELITOS CONTRA LA VIDA EL CUERPO Y LA SALUD"
## [7] "DELITOS CONTRA EL ORDEN FINANCIERO Y MONETARIO"
## [8] "DELITOS CONTRA LA TRANQUILIDAD PUBLICA"
## [9] "DELITOS CONTRA LA FE PUBLICA"
## [10] "DELITOS CONTRA LA CONFIANZA Y LA BUENA FE EN LOS NEGOCIOS"
## [11] "DELITOS CONTRA LA FAMILIA"
## [12] "DELITOS CONTRA LA HUMANIDAD"
## [13] "DELITOS TRIBUTARIOS"
## [14] "DELITOS CONTRA EL HONOR"
## [15] "DELITOS CONTRA EL ORDEN ECONOMICO"
## [16] "DELITOS AMBIENTALES"
## [17] "DELITOS CONTRA EL ESTADO Y LA DEFENSA NACIONAL"
## [18] "DELITOS CONTRA LOS PODERES DEL ESTADO Y EL ORDEN CONSTITUCIONAL"
## [19] "DELITOS ADUANEROS"
Esta información muestra todos los tipos de delitos que han cometido las personas encuestadas y que se encluentran recluidas en los centros penitenciarios.
DELITOS GENÉRICOS ORDENADO POR ORDEN DE FRECUENCIA
tabla_delitos <- table(CNPP_data$DELITO_GENERICO)
df_DEL_GEN <- as.data.frame(tabla_delitos)
colnames(df_DEL_GEN) <- c("DELITO_GENERICO", "Frecuencia")
df_DEL_GEN <- df_DEL_GEN %>%
arrange(desc(Frecuencia))
print(df_DEL_GEN)
## DELITO_GENERICO Frecuencia
## 1 DELITOS CONTRA EL PATRIMONIO 31647
## 2 DELITOS CONTRA LA SEGURIDAD PUBLICA 19293
## 3 DELITOS CONTRA LA LIBERTAD 14774
## 4 DELITOS CONTRA LA VIDA EL CUERPO Y LA SALUD 6425
## 5 DELITOS CONTRA LA FAMILIA 1540
## 6 DELITOS CONTRA LA TRANQUILIDAD PUBLICA 942
## 7 DELITOS CONTRA LA ADMINISTRACION PUBLICA 727
## 8 DELITOS CONTRA LA FE PUBLICA 215
## 9 DELITOS CONTRA EL ORDEN FINANCIERO Y MONETARIO 155
## 10 LAVADO DE ACTIVOS 79
## 11 DELITOS TRIBUTARIOS 52
## 12 DELITOS CONTRA LA CONFIANZA Y LA BUENA FE EN LOS NEGOCIOS 39
## 13 DELITOS CONTRA EL ESTADO Y LA DEFENSA NACIONAL 34
## 14 DELITOS CONTRA EL HONOR 15
## 15 DELITOS CONTRA LA HUMANIDAD 8
## 16 DELITOS CONTRA LOS PODERES DEL ESTADO Y EL ORDEN CONSTITUCIONAL 8
## 17 DELITOS CONTRA EL ORDEN ECONOMICO 6
## 18 DELITOS AMBIENTALES 3
## 19 DELITOS ADUANEROS 1
Se encuentra que el delito más cometido es el delito contra el patrimonio, seguido de la seguridad pública. En tercer lugar se encuentra el delito contra la libertad y cuarto es el delito contra la vida, el cuerpo y la salud.
DELITO GENÉRICO COMETIDO POR CADA DEPARTAMENTO
CNPP_data_filtered <- CNPP_data %>% #Filtrando el delito cometido sin NA o espacios
filter(!is.na(P201_DD) & P201_DD != "")
delitoxdep<- CNPP_data_filtered %>%
group_by(P201_DD, DELITO_GENERICO) %>%
summarize(Frecuencia = n()) %>%
slice(which.max(Frecuencia)) %>%
arrange(desc(Frecuencia))
## `summarise()` has grouped output by 'P201_DD'. You can override using the
## `.groups` argument.
print(delitoxdep)
## # A tibble: 26 × 3
## # Groups: P201_DD [26]
## P201_DD DELITO_GENERICO Frecuencia
## <chr> <chr> <int>
## 1 LIMA DELITOS CONTRA EL PATRIMONIO 11340
## 2 NEP DELITOS CONTRA EL PATRIMONIO 3985
## 3 LA LIBERTAD DELITOS CONTRA EL PATRIMONIO 2067
## 4 CALLAO DELITOS CONTRA LA SEGURIDAD PUBLICA 1971
## 5 LAMBAYEQUE DELITOS CONTRA EL PATRIMONIO 1354
## 6 ICA DELITOS CONTRA EL PATRIMONIO 1342
## 7 PIURA DELITOS CONTRA EL PATRIMONIO 1268
## 8 AYACUCHO DELITOS CONTRA LA SEGURIDAD PUBLICA 1116
## 9 ANCASH DELITOS CONTRA EL PATRIMONIO 1023
## 10 CUSCO DELITOS CONTRA EL PATRIMONIO 941
## # ℹ 16 more rows
Para profundizar el tipo de delitos, se realiza un análisis que muestra en el tipo de delitos que es más freucnete por cada departamento. En este sentido, se encuentra que el delito contra el patrimonio es el más cometido.
DELITOS ESPECÍFICOS A PARTIR DEL DELITO MÁS COMETIDO
CNPP_data_filtrado_delitos_patrimonio <- CNPP_data %>% #Se filtra un solo delito
filter(!is.na(DELITO_GENERICO) & DELITO_GENERICO == "DELITOS CONTRA EL PATRIMONIO")
#Tabla por delito específico
delitos_patrimonio <- CNPP_data_filtrado_delitos_patrimonio %>%
group_by(DELITO_ESPECIFICO) %>%
summarize(Frecuencia = n()) %>%
arrange(desc(Frecuencia))
print(delitos_patrimonio)
## # A tibble: 28 × 2
## DELITO_ESPECIFICO Frecuencia
## <chr> <int>
## 1 ROBO AGRAVADO 22364
## 2 HURTO AGRAVADO 3401
## 3 ROBO AGRAVADO GRADO TENTATIVA 2796
## 4 EXTORSION 1139
## 5 HURTO AGRAVADO - GRADO TENTATIVA 698
## 6 ESTAFA 349
## 7 RECEPTACION 223
## 8 ROBO 158
## 9 RECEPTACION - FORMAS AGRAVADAS 109
## 10 USURPACION 78
## # ℹ 18 more rows
Se desagrega el delito de delitos contra el patrimonio para conocer cuáles son los tipos de delito que se comete con mayor frecuencia. Dicha información muestraque es el robo agravado el delito más cometido.
¿PADECE UD. DE: ENFERMEDADES CRÓNICAS? ¿PADECE UD. DE: ENFERMEDADES INFECTO CONTAGIOSAS? ¿PADECE UD. DE: OTRAS ENFERMEDADES?
-Enfermedades crónicas: asma, bronquitis o enfisema, hipertensión, diabetes.
-Enfermedades infecto contagiosas: tuberculosis, infecciones de transmisión sexual, VIH/SIDA.
-Otras enfermedades: hepatitis, depresión, ansiedad, adicción a sustancias psicoactivas, cáncer, otro.
# A continuación se crea una nueva variable, denominada "enfermedades"; cuyo valor es "Sí" cuando el reo posee una enfermedad crónica, infecto contagiosa u otra.
# Para dicho fin, en primer lugar creamos una variable dicotómica por cada tipo de enfermedad (Crónica/Infecto contagiosa/Otra); en la cual, el valor de "1" significa que el reo tiene al menos una enfermedad del tipo respectivo.
CNPP_data <- CNPP_data |>
mutate(enfermedad_cronica = case_when(P107_1 == 1 | P107_2 == 1 | P107_3 == 1 ~ "1", TRUE ~ "2"))
CNPP_data <- CNPP_data |>
mutate(enfermedad_infecto_contagiosa = case_when(P107_4 == 1 | P107_5 == 1 | P107_6 == 1 ~ "1", TRUE ~ "2"))
CNPP_data <- CNPP_data |>
mutate(enfermedad_otra = case_when(P107_7 == 1 | P107_8 == 1 | P107_9 == 1 | P107_10 == 1 | P107_11 == 1 | P107_12 == 1 ~ "1", TRUE ~ "2"))
# Luego, creamos una nueva variable denominada 'enfermedades', que pueda resumir el tipo de enfermedad que tiene cada reo penitenciario.
CNPP_data <- CNPP_data |>
mutate(enfermedades = case_when(enfermedad_cronica == 1 & enfermedad_infecto_contagiosa == 2 & enfermedad_otra == 2 ~ "CRONICA", enfermedad_cronica == 2 & enfermedad_infecto_contagiosa == 1 & enfermedad_otra == 2 ~ "INFECTO CONTAGIOSA", enfermedad_cronica == 2 & enfermedad_infecto_contagiosa == 2 & enfermedad_otra == 1 ~ "OTRA", enfermedad_cronica == 1 & enfermedad_infecto_contagiosa == 1 & enfermedad_otra == 2 ~ "CRONICA E INFECTO CONTAGIOSA", enfermedad_cronica == 1 & enfermedad_infecto_contagiosa == 2 & enfermedad_otra == 1 ~ "CRONICA Y OTRA", enfermedad_cronica == 2 & enfermedad_infecto_contagiosa == 1 & enfermedad_otra == 1 ~ "INFECTO CONTAGIOSA Y OTRA", enfermedad_cronica == 1 & enfermedad_infecto_contagiosa == 1 & enfermedad_otra == 1 ~ "CRONICA, INFECTO CONTAGIOSA Y OTRO", enfermedad_cronica == 2 & enfermedad_infecto_contagiosa == 2 & enfermedad_otra == 2 ~ "NINGUNA/NO SABE/NO RESPONDE"))
# Utilizando 'count' y 'mutate' hallamos la cantidad de reos que poseen cierto tipo de enfermedad, así como el porcentaje que representan respecto del total.
CNPP_data |>
count(enfermedades) |>
mutate(Porcentaje_enfermedades = round(n/sum(n)*100,1)) |>
print(n = Inf) |>
arrange(desc(n)) |>
rename("cantidad_reos"=n)
## # A tibble: 8 × 3
## enfermedades n Porcentaje_enfermedades
## <chr> <int> <dbl>
## 1 CRONICA 6546 8.6
## 2 CRONICA E INFECTO CONTAGIOSA 606 0.8
## 3 CRONICA Y OTRA 4334 5.7
## 4 CRONICA, INFECTO CONTAGIOSA Y OTRO 522 0.7
## 5 INFECTO CONTAGIOSA 2243 3
## 6 INFECTO CONTAGIOSA Y OTRA 647 0.9
## 7 NINGUNA/NO SABE/NO RESPONDE 48695 64.1
## 8 OTRA 12370 16.3
# A partir de la variable obtenida ('enfermedades'), se presenta a continuación un gráfico de barras que permitirá observar la cantidad de reos que poseen cierto tipo de enfermedad.
library(ggplot2)
CNPP_data |>
mutate(enfermedades = recode_factor(enfermedades, !!!etiqueta_1)) |>
count(enfermedades) |>
ggplot() +
aes(x = enfermedades, y = n, fill = enfermedades) +
geom_col(position = "dodge", width = 0.8) +
geom_text(aes(label = n),
position = position_dodge(width = 0.8), vjust = -0.5, size = 3, fontface = "bold") +
theme_minimal() +
scale_fill_brewer(palette = "Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE PADECE \nDE ALGUNA ENFERMEDAD",
subtitle = "(Frecuencia)",
x = "Enfermedades",
y = "Frecuencia")+
theme(axis.text.x = element_blank())
Como puede observarse, un gran número de reos señala que no tiene ninguna enfermedad, o no sabe, o no responde a la pregunta realizada. En segundo lugar, 12,370 reos mencionan que tienen otro tipo de enfermedad (hepatitis, depresión, ansiedad, adicción a sustancias psicoactivas, cáncer, otro); seguido por aquellos que tienen una enfermedad crónica (asma, bronquitis o enfisema, hipertensión, diabetes).
DEPARTAMENTO EN EL QUE OCURRIO EL DELITO
# CNPP_data |>
# count(P201_DD) |> #count para contar la cantidad de casos.
# mutate(Porcentaje = round(n/sum(n)*100,1)) |> #Mutate crea la variable porcentaje.
# print(n = Inf) |>
# arrange(desc(n))
#Importar las librerías para el mapa
library(plotly)
library(mapsPERU)
library(tidyverse)
library(ggrepel)
library(haven)
library(leaflet)
library(leaflet.extras)
library(rworldxtra)
library(raster)
library(sf)
#Extraemos las coordenadas del paquete mapsPERU departamento
df <- map_DEP
#convertimos todas las variables que tenga caracteres
#de minúscula a mayúsculas.
df <- mutate_if(df, is.character, toupper)
#Quitamos las tildes de las mayúsculas
df$DEPARTAMENTO <- chartr('Á,É,Í,Ó,Ú','A,E,I,O,U', df$DEPARTAMENTO)
#Renombramos la variable P201_DD de la base CNPP_data
df_total_mapa <- rename(CNPP_data, DEPARTAMENTO = P201_DD)
#Extraemos los datos de interés para el mapa
Delito_depart <- df_total_mapa |>
count(DEPARTAMENTO) |> #count para contar la cantidad de casos.
mutate(Porcentaje = round(n/sum(n)*100,1)) |> #Mutate crea la variable porcentaje.
print(n = Inf) |>
arrange(desc(n))
## # A tibble: 27 × 3
## DEPARTAMENTO n Porcentaje
## <chr> <int> <dbl>
## 1 "" 70 0.1
## 2 "AMAZONAS" 709 0.9
## 3 "ANCASH" 2543 3.3
## 4 "APURIMAC" 538 0.7
## 5 "AREQUIPA" 1725 2.3
## 6 "AYACUCHO" 2241 3
## 7 "CAJAMARCA" 2006 2.6
## 8 "CALLAO" 4156 5.5
## 9 "CUSCO" 3009 4
## 10 "HUANCAVELICA" 464 0.6
## 11 "HUANUCO" 2177 2.9
## 12 "ICA" 2894 3.8
## 13 "JUNIN" 2463 3.2
## 14 "LA LIBERTAD" 4129 5.4
## 15 "LAMBAYEQUE" 2481 3.3
## 16 "LIMA" 22793 30
## 17 "LORETO" 1046 1.4
## 18 "MADRE DE DIOS" 813 1.1
## 19 "MOQUEGUA" 480 0.6
## 20 "NEP" 9318 12.3
## 21 "PASCO" 653 0.9
## 22 "PIURA" 2549 3.4
## 23 "PUNO" 1477 1.9
## 24 "SAN MARTIN" 1696 2.2
## 25 "TACNA" 835 1.1
## 26 "TUMBES" 749 1
## 27 "UCAYALI" 1949 2.6
#Integramos ambas bases de datos a través de DEPARTAMENTO
mapa_delitos <- left_join(df, Delito_depart, by = "DEPARTAMENTO")
#Creamos la base del mapa
leaflet() |> addTiles() |> addCircleMarkers(data = mapa_delitos, lat = ~coords_y, radius = ~Porcentaje,
lng = ~coords_x, color = "red",
fillOpacity = 3, label = ~n, labelOptions(permanent=TRUE) )
El mapa permite identificar rápidamente el departamento donde ocurrió la mayor cantidad de delitos (22793 delitos) la cual corresponde a Lima; y la de menor cantidad, (464 delitos) a Huancavelica.
CUANDO OCURRIÓ EL DELITO, ¿USTED USÓ ALGÚN ARMA?
CNPP_data |>
filter(!is.na(P204)) |>
count(P204) |>
mutate(Porcentaje = round(n/sum(n)*100,1)) |>
print(n = Inf)
## # A tibble: 3 × 3
## P204 n Porcentaje
## <dbl+lbl> <int> <dbl>
## 1 1 [Sí] 13613 17.9
## 2 2 [No] 61617 81.2
## 3 3 [No sabe / No contesta] 663 0.9
table(CNPP_data$P204, useNA = "alw")
##
## 1 2 3 <NA>
## 13613 61617 663 70
etiqueta_1 <- c(`1`="Sí",
`2`="No",
`3`="No sabe/No contesta")
CNPP_data$P204 <- as.factor(CNPP_data$P204)
CNPP_data |>
filter(!is.na(P204)) |>
mutate(P204 = recode_factor(P204,!!!etiqueta_1)) |>
count(P204) |>
mutate(
Porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=Porcentaje, fill=P204) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5)) +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE UTILIZÓ UN ARMA \nCUANDO OCURRIÓ EL DELITO",
subtitle = "(Frecuencia, porcentaje)"
)
Solo el 17.9% de la población penitenciaria utilizó un arma cuando ocurrió el delito. La mayoría (81.2%) no lo utilizó.
¿USTED ESTÁ ESTUDIANDO EN ALGÚN PROGRAMA EN EL ESTABLECIMIENTO PENITENCIARIO?
CNPP_data$P303 <- as.factor(CNPP_data$P303)
etiqueta_303 <- c(`1`="Participa", `2`="No Participa")
BASE303 <- CNPP_data |>
filter(!is.na(P303)) |>
mutate(P303 = recode_factor(P303,!!!etiqueta_303)) |>
count(P303) |>
mutate(porcentaje = round(n/sum(n)*100,1))
etiquetas <- paste0(etiqueta_303, "\n(", BASE303$n, ", ", BASE303$porcentaje, "%)" )
pie(BASE303$n, labels = etiquetas,col=c("blue","red"), main="PARTICIPACION EN TALLERES PENITENCIARIOS \n(Frecuencia, Porcentaje)")
El 25.7% de los internos en los Centros Penitenciarios participan en
talleres penitenciarios.
¿POR QUÉ PARTICIPA EN LOS TALLERES LABORALES?
table(CNPP_data$P306, useNA = "alw")
##
## 1 2 3 4 <NA>
## 7253 4998 1079 142 62491
etiqueta_306 <- c(`1`="APRENDER UN OFICIO", `2`="OBTENER BENEFICIOS", `3`="PASAR TIEMPO", `4`="OTROS")
CNPP_data$P306 <- as.factor(CNPP_data$P306)
BASE306 <- CNPP_data |>
filter(!is.na(P306)) |>
mutate(P306 = recode_factor(P306,!!!etiqueta_306)) |>
count(P306) |>
mutate(Porcentaje = round(n/sum(n)*100,1))
etiquetas <- paste0(etiqueta_306, "(", BASE306$n, ", ", BASE306$Porcentaje, "%)" )
pie(BASE306$n, labels = etiquetas,col=c("red","green", "blue", "orange"), main="MOTIVOS POR LOS QUE PARTICIPA DE TALLERES LABORALES \n(Frecuencia, Porcentaje)")
De los distintos talleres penitenciarios que brinda el centro
penitenciario, un tipo de taller son los talleres laborales. Hay 13472
incritos. El principal motivo para incribirse en este tipo de taller es
aprender un oficio (53.8%).
¿CUÁL ES LA RAZÓN POR LA QUE USTED NO PARTICIPA EN PROGRAMAS EDUCATIVOS?
etiqueta_308 <- c(`1`="No existen programas adecuados a su nivel" ,`2`= "No le interesan los programas educativos que se ofrecen" ,`3`= "Porque trabajo" ,`4`= "No hay vacantes disponibles" ,`5`= "Otros" ,`6` = "No sabe / No contesta" ,`7`= "Recien a ingresado o esta cerca a salir del penal" ,`8`= "Problemas economicos" ,`9`= "Por enfermedad y/o estado de salud" ,`10`= "Falta de beneficios penitenciarios")
table(CNPP_data$P308, useNA = "alw")
##
## 1 2 3 4 5 6 7 8 9 10 <NA>
## 3526 4371 29968 5140 3524 4689 2316 1757 619 472 19581
# CNPP_data$P308
CNPP_data$P308 <- as.factor(CNPP_data$P308)
CNPP_data |>
filter(!is.na(P308)) |>
mutate(P308 = recode_factor(P308,!!!etiqueta_308)) |>
filter(P308!="No sabe / No contesta") |>
count(P308) |>
mutate(porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=n, fill=P308) +
geom_col(position = "dodge", width = 0.8) +
geom_text(aes(label = n),
position = position_dodge(width = 0.8), vjust = -0.5, size = 3, fontface = "bold") +
theme_minimal() +
scale_fill_brewer(palette="Set1") +
labs(
title = paste0("¿CUÁL ES LA RAZÓN POR LA QUE USTED NO PARTICIPA \nEN PROGRAMAS EDUCATIVOS?"),
subtitle = paste0("Frecuencia"),
x = "Razón",
y = "Frecuencia")+
theme(axis.text.x = element_blank())
Asimismo, los centros penitenciarios también brindan programas educativos. La principal razón por la cual no participan los internos es porque ya poseen un trabajo (58%)
BASE308 <- CNPP_data |>
filter(!is.na(P308)) |>
mutate(P308 = recode_factor(P308,!!!etiqueta_308)) |>
filter(P308!="No sabe / No contesta") |>
count(P308) |>
mutate(porcentaje = round(n/sum(n)*100,1))
BASE308
¿EN CUÁLES DE LAS SIGUIENTES ACTIVIDADES UD HA PARTICIPADO DURANTE EL ÚLTIMO MES: Actividades deportivas?
table(CNPP_data$P313_1)
##
## 1 2 3
## 49243 26419 219
CNPP_data$P313_1 <- as.factor(CNPP_data$P313_1)
etiqueta_313_1 <- c(`1`="SI", `2`="NO", `3`="NO SABE / NO OPINA")
BASE313_1 <- CNPP_data |>
filter(!is.na(P313_1)) |>
mutate(P313_1 = recode_factor(P313_1,!!!etiqueta_313_1)) |>
count(P313_1) |>
mutate(porcentaje = round(n/sum(n)*100,1))
etiquetas <- paste0(etiqueta_313_1, " (",BASE313_1$porcentaje, " %)" )
pie(BASE313_1$n, labels = etiquetas, col=c("blue","red"), main=paste0("PARTICIPACIÓN EN LAS ACTIVIDADES DEPORTIVAS \nDURANTE EL ÚLTIMO MES \n(En Porcentaje, N=", sum(BASE313_1$n),")"))
El 64.9% de los internos en los Centros Penitenciarios participan en
actividades deportivas durante el último mes.
¿EN CUÁLES DE LAS SIGUEINTES ACTIVIDADES UD HA PARTICIPADO DURANTE EL ÚLTIMO MES: Actividades laborales reconocidas por el INPE?
table(CNPP_data$P313_2)
##
## 1 2 3
## 36536 38843 502
CNPP_data$P313_2 <- as.factor(CNPP_data$P313_2)
etiqueta_313_2 <- c(`1`="SI", `2`="NO", `3`="NO SABE / NO OPINA")
BASE313_2 <- CNPP_data |>
filter(!is.na(P313_2)) |>
mutate(P313_1 = recode_factor(P313_2,!!!etiqueta_313_2)) |>
count(P313_2) |>
mutate(porcentaje = round(n/sum(n)*100,1))
etiquetas <- paste0(etiqueta_313_2, " (",BASE313_2$porcentaje, " %)" )
pie(BASE313_2$n, labels = etiquetas, col=c("green","yellow","blue"), main=paste0("PARTICIPACIÓN EN LABORES RECONOCIDAS POR EL INPE \nDURANTE EL ÚLTIMO MES \n(En Porcentaje, N=", sum(BASE313_2$n),")"))
El 48.1% de los internos en los Centros Penitenciarios participan en
labores reconocida por la INPE durante el último mes.
¿EN CUÁLES DE LAS SIGUEINTES ACTIVIDADES UD HA PARTICIPADO DURANTE EL ÚLTIMO MES: Labores de limpieza o mantenimiento de la institución?
table(CNPP_data$P313_3)
##
## 1 2 3
## 52930 22710 241
CNPP_data$P313_3 <- as.factor(CNPP_data$P313_3)
etiqueta_313_3 <- c(`1`="SI", `2`="NO", `3`="NO SABE / NO OPINA")
BASE313_3 <- CNPP_data |>
filter(!is.na(P313_3)) |>
mutate(P313_3 = recode_factor(P313_3,!!!etiqueta_313_3)) |>
count(P313_3) |>
mutate(porcentaje = round(n/sum(n)*100,1))
etiquetas <- paste0(etiqueta_313_3, " (",BASE313_3$porcentaje, " %)" )
pie(BASE313_3$n, labels = etiquetas, col=c("orange","purple","gray"), main=paste0("PARTICIPACIÓN EN LABORES DE LIMPIEZA \nDURANTE EL ÚLTIMO MES \n(En Porcentaje, N=", sum(BASE313_3$n),")"))
El 69.8% de los internos en los Centros Penitenciarios participan en
labores de limpieza durante el último mes.
¿EN CUÁLES DE LAS SIGUEINTES ACTIVIDADES UD HA PARTICIPADO DURANTE EL ÚLTIMO MES: Programa de tratamiento PIM?
table(CNPP_data$P313_4)
##
## 1 2 3
## 32860 40090 2931
CNPP_data$P313_4 <- as.factor(CNPP_data$P313_4)
etiqueta_313_4 <- c(`1`="SI", `2`="NO", `3`="NO SABE / NO OPINA")
BASE313_4 <- CNPP_data |>
filter(!is.na(P313_4)) |>
mutate(P313_4 = recode_factor(P313_4,!!!etiqueta_313_4)) |>
count(P313_4) |>
mutate(porcentaje = round(n/sum(n)*100,1))
etiquetas <- paste0(etiqueta_313_4, " (",BASE313_4$porcentaje, " %)" )
pie(BASE313_4$n, labels = etiquetas, col=c("green","red","gray"), main=paste0("PARTICIPACIÓN EN PROGRAMA DE TRATAMIENTO - PIM \nDURANTE EL ÚLTIMO MES \n(En Porcentaje, N=", sum(BASE313_4$n),")"))
El 43.3% de los internos en los Centros Penitenciarios participan en
programas de tratamiento - PIM durante el último mes.
¿POR QUÉ USTED NO REALIZA NINGUNA ACTIVIDAD DENTRO DE LA INSTITUCIÓN?
etiqueta_314 <- c(`1`="No proporcionan trabajo",`2`="No le gustan los trabajos ofrecidos",`3`="Estudia",`4`="Porque no tengo el dinero",`5`="No es rentable",`6`="No tienen material y/o herramientas para trabajar",`7`="Otros", `8`="No sabe / No contesta",`9`="Ingreso recien al penal",`10`="Por enfermedad y/o estado de salud")
table(CNPP_data$P314, useNA = "alw")
##
## 1 2 3 4 5 6 7 8 9 10 <NA>
## 412 607 263 330 492 142 972 1377 802 505 70061
# CNPP_data$P314
CNPP_data$P314 <- as.factor(CNPP_data$P314)
CNPP_data |>
filter(!is.na(P314)) |>
mutate(P314 = recode_factor(P314,!!!etiqueta_314)) |>
filter(P314!="No sabe / No contesta") |>
count(P314) |>
mutate(porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=n, fill=P314) +
geom_col(position = "dodge", width = 0.8) +
geom_text(aes(label = n),
position = position_dodge(width = 0.8), vjust = -0.5, size = 3, fontface = "bold") +
theme_minimal() +
scale_fill_brewer(palette="Set1") +
labs(
title = paste0("¿POR QUÉ USTED NO REALIZA NINGUNA ACTIVIDAD \nDENTRO DE LA INSTITUCIÓN?"),
subtitle = paste0("Frecuencia"),
x = "Motivo",
y = "Frecuencia")+
theme(axis.text.x = element_blank())
El principal motivo por la que no realiza ninguna actividad en los centros penitenciarios es debido a que recién han ingresado al penal (17.7%).
BASE314 <- CNPP_data |>
filter(!is.na(P314)) |>
mutate(P314 = recode_factor(P314,!!!etiqueta_314)) |>
filter(P314!="No sabe / No contesta") |>
count(P314) |>
mutate(porcentaje = round(n/sum(n)*100,1))
BASE314
¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Estudiar
table(CNPP_data$P403_1, useNA = "alw")
##
## 0 1 <NA>
## 65641 10189 133
etiqueta_2 <- c(`0`="No",
`1`="sí")
CNPP_data$P403_1 <- as.factor(CNPP_data$P403_1)
CNPP_data |>
filter(!is.na(P403_1)) |>
mutate(P403_1 = recode_factor(P403_1,!!!etiqueta_2)) |>
count(P403_1) |>
mutate(
Porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=Porcentaje, fill=P403_1) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5)) +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE PIENSA \nESTUDIAR LUEGO DE SALIR DEL ESTABLECIMIENTO \nPENITENCIARIO",
subtitle = "(Frecuencia, porcentaje)"
)
Solo el 13.4% de la población penitenciaria piensa estudiar luego de salir del establecimiento penitenciario.
¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Trabajar
table(CNPP_data$P403_2, useNA = "alw")
##
## 0 1 <NA>
## 5416 70414 133
etiqueta_2 <- c(`0`="No",
`1`="sí")
CNPP_data$P403_2 <- as.factor(CNPP_data$P403_2)
CNPP_data |>
filter(!is.na(P403_2)) |>
mutate(P403_2 = recode_factor(P403_2,!!!etiqueta_2)) |>
count(P403_2) |>
mutate(
Porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=Porcentaje, fill=P403_2) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5)) +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE PIENSA \nTRABAJAR LUEGO DE SALIR DEL ESTABLECIMIENTO \nPENITENCIARIO",
subtitle = "(Frecuencia, porcentaje)"
)
El 92.9% de la población penitenciaria piensa trabajar luego de salir del establecimiento penitenciario.
¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Viajar
table(CNPP_data$P403_3, useNA = "alw")
##
## 0 1 <NA>
## 72120 3710 133
etiqueta_2 <- c(`0`="No",
`1`="sí")
CNPP_data$P403_3 <- as.factor(CNPP_data$P403_3)
CNPP_data |>
filter(!is.na(P403_3)) |>
mutate(P403_3 = recode_factor(P403_3,!!!etiqueta_2)) |>
count(P403_3) |>
mutate(
Porcentaje = round(n/sum(n)*100,1))|>
ggplot() +
aes(x=1, y=Porcentaje, fill=P403_3) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5)) +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE PIENSA \nVIAJAR LUEGO DE SALIR DEL ESTABLECIMIENTO \nPENITENCIARIO",
subtitle = "(Frecuencia, porcentaje)"
)
El 4.9% de la población penitenciaria piensa viajar luego de salir del establecimiento penitenciario.
¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Retornar a mi país
table(CNPP_data$P403_4, useNA = "alw")
##
## 0 1 <NA>
## 74779 1051 133
etiqueta_2 <- c(`0`="No",
`1`="sí")
CNPP_data$P403_4 <- as.factor(CNPP_data$P403_4)
CNPP_data |>
filter(!is.na(P403_4)) |>
mutate(P403_4 = recode_factor(P403_4,!!!etiqueta_2)) |>
count(P403_4) |>
mutate(
Porcentaje = round(n/sum(n)*100,1))|>
ggplot() +
aes(x=1, y=Porcentaje, fill=P403_4) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5)) +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE PIENSA \nRETORNAR A SU PAÍS LUEGO DE SALIR DEL \nESTABLECIMIENTO PENITENCIARIO",
subtitle = "(Frecuencia, porcentaje)"
)
El 1.4% de la población penitenciaria piensa retornar a su país luego de salir del establecimiento penitenciario.
¿QUÉ PIENSA HACER CUANDO SALGA DEL EP? Otros
table(CNPP_data$P403_5, useNA = "alw")
##
## 0 1 <NA>
## 74376 1454 133
etiqueta_2 <- c(`0`="No",
`1`="sí")
CNPP_data$P403_5 <- as.factor(CNPP_data$P403_5)
CNPP_data |>
filter(!is.na(P403_5)) |>
mutate(P403_5 = recode_factor(P403_5,!!!etiqueta_2)) |>
count(P403_5) |>
mutate(
Porcentaje = round(n/sum(n)*100,1)) |>
ggplot() +
aes(x=1, y=Porcentaje, fill=P403_5) +
geom_bar(stat="identity") +
geom_text(aes(label = paste0(n,", ",round(Porcentaje,1),"%")),
position = position_stack(vjust = 0.5)) +
coord_polar(theta = "y") +
theme_void() +
scale_fill_brewer(palette="Set1") +
labs(
title = "PERÚ: POBLACIÓN PENITENCIARIA QUE PIENSA \nREALIZAR OTRA ACTIVIDAD LUEGO DE SALIR DEL \nESTABLECIMIENTO PENITENCIARIO",
subtitle = "(Frecuencia, porcentaje)"
)
El 1.9% de la población piensa realizar otra actividad luego de salir del establecimiento penitenciario.
Lima es el departamento en el que se comete más delitos, seguido por La Libertad. Entre los delitos que más se cometen se encuentra contra el patrimonio; al desagregar esta variable se encuentra que el robo y hurto agravado son los delitos que más se cometen.
Una amplia mayoría de internos(as) (95.6%) trabajó antes de ingresar al Centro Penitenciario. Sin embargo, tal como se señaló, la desigualdad de oportunidades se convierte en un factor que propicia el crimen, dado que se ven imposibilitadas de alcanzar su objetivo de riqueza; por lo que su acción delictiva pudo haberse ocasionado a raíz de la existencia de desafíos como el nivel de educación, nivel de destreza o marginación social.
Por ejemplo, en el caso del grado educativo, es la secundaria completa e incompleta en la suelen ubicarse la mayoría de personas. El motivo que brindan del por qué no terminaron su grado de estudios es que los expulsaron de su institución educativa.
A partir del análisis realizado, se puede observar que el interno cuenta con una serie de desafíos y factores de riesgo para reinsertarse en la sociedad y evitar la reincidencia delictiva, dado que una parte de ellos se vio envuelta en un estilo de vida delictivo previo a su internamiento en el Centro Penitenciario. Por ejemplo, se observó que el consumo de bebidas alcohólicas y drogas estuvieron presentes en sus vidas. Asimismo, el 29.5% de los internos señaló que algún miembro de su familia estuvo preso en un Centro Penitenciario y el 34% señaló que, antes de cumplir 18 años, algunos de sus mejores amigos habían cometido delitos.
Se pudo observar que los internos sufren principalmente de enfermedades crónicas y otros tipos de enfermedades. En algunos de los casos, dichas enfermedades podrían implicar un tratamiento arduo o, incluso, no tener cura alguna. Por tanto, esto se convierte en un factor imposible de cambiar o un desafío en sus vidas, lo cual los posiciona en una difícil situación para su reinserción social.
Sobre la participación en talleres penitenciarios, 19,501 internos se encuentran registrados. Esta cantidad implica que solo el 25.7% de los internos están inscritos. En ese contexto, se evidencia la existencia de una brecha importante de internos que no participan de ningún programa. En ese sentido, las autoridades podrían orientar sus políticas y establecer como indicador en sus programas presupuestales.
De los tipos de talleres penitenciarios, INPE brinda talleres laborales, en los cuáles se encuentran registrados 13,472 internos. El principal motivo por el cual se inscriben en este tipo de taller es para aprender un oficio (53.8%), obtener beneficios (37.1%) y pasar el tiempo (8%). Se observa que los internos consideran de gran utilidad los talleres laborales.
Asimismo, INPE también brinda programas educativos. En tal sentido, el principal motivo por el cual los internos no participan en este programa es porque se encuentran trabajando (58%), no habían vacantes disponibles (9.9%) y porque no les interesaba la oferta de programas educativos (8.5%). El INPE podría considerar los horarios de los talleres educativos para que estos no se crucen con los horarios laborales y muchos más internos puedan estudiar.
El 64.9% de los internos participaron en actividades deportivas durante el último mes. Este porcentaje significativo implica que los internos están interesados en actividades deportivas. INPE podría considerar brindar mayor tiempo para realizar actividades deportivas como incentivo positivo para que los internos se inscriban en talleres penitenciarios.
El 43.3% de los internos han participado en algún Programa de Intervención Multidisciplinario. Lima es la primera ciudad de Origen de los reos actualmente, llegando aproximandamente a 18mil personas de sexo masculino, y unos 1800 personas de sexo femenino, seguido por las ciudades de Huanuco, La Libertad y Piura.
De acuerdo a la Nacionalidad de los Reos, el Peruano supera las 70 mil personas, seguido de la nacionalidad Colombiana, Español y Mexico que están en el rango de 260 a 350 personas.
Tenemos 3 mil reos jóvenes llegando a los 28 años , seguido por jóvenes de 22 años (2800 aprox) y adultos jóvenes de 32 años(2850 aprox).
Asimismo, dada las características de los datos obtenidos, se precisa que se cuentan con las siguientes limitaciones:
Limitación Temporal: La fecha del Censo (2016) no captura, ni refleja los efectos de la masiva migración venezolana, ni los efectos ocasionados por la Pandemia del Covid-19. En tal sentido, se considera que ambos eventos afectaron significativamente el estado situacional de los Centros Penitenciarios y de sus internos, y que el Censo no reflejaría estos cambios.
Limitación Metodológica: Los datos obtenidos del Censo Nacional de Población Penitenciaria, solo reflejan las características de los internos, por lo tanto, no hay información suficiente que permita realizar un análisis causal para identificar los determinantes sociodemográficos que inciden en ser detenidos y condenados a prisión. Asimismo, el diseño del censo no permite capturar información sobre las actividades y conductas de los internos luego de haber cumplido su condena, sólo sus expectativas.
Se recomienda realizar un seguimiento sobre el comportamiento posterior de los reos al salir del establecimiento penitenciario mediante estudios longitudinales.
Este estudio puede servir como insumo para el análisis comparativo con el Censo de la Población Penitenciaria del año 2024.
…
Cheong, T. S., & Wu, Y. (2015). Crime rates and inequality: a study of crime in contemporary China. Journal of the Asia Pacific Economy, 20(2), 202–223. https://doi.org/10.1080/13547860.2014.964961
Defensoría del Pueblo (2018) Retos del Sistema Penitenciario Peruano: Un diagnóstico de la realidad carcelaria de mujeres y varones.
Featherstone, R. (2003). Anomie and Strain: Context and Consequences of Merton’s Two Theories*. In Sociological Inquiry (Vol. 73, Issue 4).
Hernández, W. (2018) Las razones de la reincidencia en el Perú: Avances de una investigación en curso.
Huamán, L. (2022) Reinserción laboral como instrumento de resocialización a la población ex- carcelaria como política de estado. Revista de Investigación Valdizana.
Magán, J. (2017) La sobrepoblación en el sistema penitenciario peruano. International Review of the Red Cross, N.° 903, 2017.
Merton, R. K. (1938). Social Structure and Anomie. American Sociological Review, 3(5), 672. https://doi.org/10.2307/2084686
Orosco, E. (2017) Verificación del cumplimiento de la finalidad constitucional de la resocialización en el Perú. Revista IURIS OMNES, Volumen:XIX, Nº 1.
Peñaloza, A. (2017) El fenómeno de la reinserción carcelaria en el Perú: análisis de los factores asociados a las trayectorias exitosas de reinserción social.
Oficina de las Naciones Unidas contra la Droga y el Delito (2013) Guía de Introducción a la Prevención de la Reincidencia y la Reintegración Social de Delincuentes.